Informatik-Veranstaltungen, die für Psychologiestudierende interessant sein können

 

Diese Liste soll einen Überblick über Lehrangebote im Bereich der Informatik an den drei Berliner Universitäten TU, HU und FU liefern, die für Studierende der Psychologie mit Interesse an Kognitionspsychologie / Neurokognitiver Psychologie / Kognitiver Entwicklung eine sinnvolle Ergänzung darstellen können. Im Folgenden haben wir ergänzend zu den Kursbeschreibungen aus dem jeweiligen Vorlesungsverzeichnis Kommentare erstellt. Diese sollen eine Anregung dazu liefern, welchen Nutzen/Erkenntnisgewinn die Veranstaltungen für Psychologiestudierende bringen könnten (neben einer Anrechnung von Studienleistungen). Die Auswahl orientiert sich am Master-Track „Science of Intelligence“. Wenn ihr weitere Fragen habt, wendet euch an einen der unten genannten Ansprechpartner und werft auch mal einen Blick in die jeweiligen Vorlesungsverzeichnisse. Dort findet ihr weiterführende Informationen, bspw. zur Anmeldung, Anrechnung etc. Es können außerdem Sonderregelungen erforderlich sein, wenn ihr an einer anderen Universität als der, an der ihr eingeschrieben seid, einen Kurs belegen wollt.

 

Ansprechpartner:

Oliver Brock (This email address is being protected from spambots. You need JavaScript enabled to view it.)

 

 

Vorlesungsverzeichnis der TU Berlin

Vorlesungsverzeichnis der HU Berlin

Vorlesungsverzeichnis der FU Berlin


 

Lehrveranstaltungen an der Technischen Universität Berlin

 

Maschinelles Lernen

Hot Topics in ML and AI (Opper)

Die Veranstaltungen stellen aktuelle Techniken der Künstlichen Intelligenz (KI) und des Maschinen Lernens (ML) und ihre Anwendungen vor.

 

Psychologie-Kommentar: Während in der Kognitiven Psychologie an Computermodellen dazu gearbeitet wird, wie Verstand/Gehirn ein Problem lösen, sind KI und ML freier. Sie erforschen, wie die verschiedenen Wahrnehmungs-, Kategorisierungs- und Lernprobleme effizient gelöst werden können. Das kann, muss aber nicht ähnlich dazu ablaufen, wie unser Gehirn die Anforderungen bewältigt. Oft ist aus Psychologie-Sicht spannend zu sehen, dass es auch noch andere effiziente Wege gibt.

 

Probabilistic and Bayesian Modelling in ML and AI (Opper)

 Wiederholung Wahrscheinlichkeitstheorie, generative Modelle, Maximum Likelihood, Eigenschaften von Schätzverfahren, Latent variable Models, EM Algorithmus, ICA und probabilistic PCA. Bayes Methoden, Modell-Selektion, generalised linear models, Gauss'sche Prozesse, Dirichletprozesse

Inferenztechniken: Laplace Näherung, Monte Carlo Methoden, variationelle Verfahren

 

Psychologie-Kommentar: Statistik und (Maschinen)Lernen überlappen aus Sicht der Informatik. Hier werden die mathematischen und Datenverarbeitungs-Grundlagen von statistischen Verfahren behandelt, die in der Psychologie und in den Kognitiven Neurowissenschaften teilweise zum Standardprogramm gehören. Die Veranstaltung kann hier das bisherige Verständnis vertiefen. Zudem werden Verfahren eingeführt, die nicht zum Standardprogramm in der Psychologie und den Kognitiven Neurowissenschaften gehören.

 

Statistische Methoden in Künstlicher Intelligenz und Maschinellem Lernen (Müller)

 

Ziel des Projektes ist, eine Vorhersageverfahren (Regression/Klassifikation) für eine reale Anwendung zu entwickeln, auf der Basis einer Open-Source Machine Learning toolbox („shogun“). Dazu wird ein realer Datensatz in Rohdatenformat gegeben. Das Projekt ist in die folgenden drei aufeinander aufbauenden Meilensteine unterteilt.

1. Extraktion von vektoriellen Merkmalsvektoren aus den Rohdaten; univariate und multivariate Bewertung dieser Merkmale.

2. Evaluierung und Vergleich verschiedener Vorhersagemethodiken, Entwicklung geeigneter Bewertungsansätze und Gütemaße.

3. Begründete Auswahl und abschließende Bewertung einer bestimmten Vorhersagemethodik.

Im Unterschied zum Praktikum liegt der Schwerpunkt nicht auf der Implementierung von Machine Learning-Methoden, sondern auf Datenaufbereitung sowie Anwendung, Bewertung und Auswahl von Methoden aus der Toolbox „shogun“.

 

Psychologie-Kommentar: Die Nutzung von vielen Statistik-Verfahren bzw. maschinellen Lernprozessen beinhaltet oft viele Entscheidungen, derer man sich aber erst bewusst wird, wenn man ein Verfahren für ein Anwendungsbeispiel selbst spezifizieren und „zum Laufen“ bringen muss. Beispielsweise muss man aus einer Vielzahl von Möglichkeiten festlegen, mit welchem Maß gute bzw. schlechte Passung gemessen wird oder wie und wie oft bei iterativen Verfahren iteriert wird. Zudem lauert die Falle einer Über-Anpassung der Daten [(zu)gute Anpassung der Daten, aber schlechte Vorhersageleistung für neue Daten].

 

Machine Intelligence I + II / Neuronale Informationsverarbeitung I + II (Obermayer)

 

1) Grundlagen induktiven Lernens: Empirical Risk Minimization, Structural Risk Minimization, Bayesian Inference

2) Lernen und Generalisierung, Techniken der Regularisierung

3) Künstliche neuronale Netze (konnektionistische Neuronen, das Multilagen-Perzeptron, radiale Basisfunktionen)

4) Statistische Lerntheorie und Support Vector Maschinen

5) Graphische Modelle: Schließen unter Unsicherheit, Bayes´sche Inferenz und neuronale Netze

1) Dichteschätzung, Parameterschätzverfahren, Maximum Likelihood Estimation

2) Projektionsmethoden (Hauptkomponentenanalyse, Kernel-PCA, Quellentrennung)

3) Stochastische Optimierung

4) Clustering-Verfahren, Einbettung und Datenvisualisierung (zentrales und paarweises Clustering, selbstorganisierende neuronale Karten)

 

Psychologie-Kommentar: Hier werden u.a. neuronale Netze im Kontext anderer maschineller Lernverfahren erarbeitet. Einige der Verfahren werden in der mathematischen Modellierung in der Kognitiven Psychologie und zur Datenanalyse in den Kognitiven Neurowissenschaften genutzt.

 

Maschinelles Lernen I+II (Müller)

Grundlagen der Wahrscheinlichkeitstheorie, Schätztheorie (Maximum-Likelihood, EM-Algorithmus).

Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA, ICA), Clustering (Agglomeratives Clustering, KMeans Clustering), überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Regression, Gaußprozesse)

Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar), Datenanalyse in Matlab (Kurs) oder Mathematische Grundlagen (Kurs). Das Seminar „Classical Topics in Machine Learning“ findet jedes Semester statt, darüber hinaus werden in unregelmäßigen Abständen spezielle Seminare angeboten; die Modulbeschreibung wird dementsprechend ergänzt.

In dieser Vorlesung werden weiterführende Themen des Maschinellen Lernens behandelt. Ein besonderer Schwerpunkt wird auf die Anwendung gelegt werden. Mehrere erfolgreiche Anwendungen des Maschinellen Lernens werden besprochen, und auf die jeweiligen Besonderheiten wird eingegangen. Unter anderem werden folgende Themen behandelt: halbüberwachtes Lernen, Boostingverfahren, Optimierungstheorie, Kernmethoden für strukturierte Daten, graphische Modelle. Beispiele für erfolgreiche Anwendungen sind unter anderem Bioinformatik, Computersicherheit und Textmining. Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar). Es werden laufend neue Seminare angeboten, das Modul wird in jedem Semester dementsprechend aktualisiert.

 

Kognitive Algorithmen (Müller) (BSc-Veranstaltung: Studierende müssen Anrechenbarkeit überprüfen)

Vorkurs: Mathematische Grundlagen für Maschinelle Lernalgorithmen.

Vorlesung: Elementare Methoden des Maschinellen Lernens, unter anderem überwachte Lernmetho-den (lineare Regression, naive Bayes Klassifikation), Künstliche Neuronale Netze (Reichardt Korrelator, Perzeptron Algorithmus, Deep Belief Networks), Dimensionsreduktion (PCA, CCA), Clustering (k-Means, Spectral Clustering).

Programmierprojekt: Anwendung der Lerninhalte in praxisrelevanten Problemstellungen.

Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet (Seminar) oder Mathematische Grundlagen (Kurs) oder Python Grundlagen (Kurs) .

 

Agentensysteme / Künstliche Intelligenz / Robotik

Advanced Agent Competition (Albayrak)

- Vertiefung und wissenschaftliche Bearbeitung eines Themas für Fußball spielende Softwareroboter in einer Echtzeitsimulation.

- Einsatz von Verfahren der Agententechnologie und Künstlicher Intelligenz

- Einarbeitung in das RoboCup-Framework

- PenaltyShootout-Turnier

- Reinforcement Learning, Planning/Coordination oder Reasoning/Inferenz

 

Psychologie-Kommentar: Agentensysteme sind Systeme, die eigenständig mit der Umwelt (bzw. anderen Agenten) interagieren. In Agentensystemen wurden und werden verschiedene Metatheorien der Psychologie „zum Laufen gebracht“. Beispielsweise sind beim RoboCup schon Fußballmannschaften aus behavioristisch inspirierten Reiz-Reaktions-Maschinen gegen Agenten angetreten, die die Kognitive Wende auf die Spitze treiben und sehr stark auf umfassende Repräsentationen sowie Annahmen, Wünsche und Absichten setzen. Mitarbeit beim RoboCup erlaubt ein vertieftes Verständnis von Modellierungsansätzen in der Kognitionspsychologie. Die Modelle müssen umfassend genug sein, um ihre Aufgabe erledigen zu können. Eine Beschränkung auf interessante Teilaspekte ist nicht möglich, denn der Agent muss „lauffähig“ sein. Zudem können unterschiedliche Architekturen gegeneinander antreten.

 

Künstliche Intelligenz: Grundlagen, Anwendungen (Opper)

(BSc-Veranstaltung: Studierende müssen Anrechenbarkeit überprüfen)

  • Reprasentation von Wissen und Problemen: Pradikatenlogik, Nichtmonotone Logiken, Suchprobleme, Constraint Satisfaction
  • Problemlosen durch Suche: blinde Suche, informierte Suche, Heuristiken, local search, Constraintpropagierung.
  • Planen: STRIPS-Formalismus, Vorwärts- und Rückwärtsverkettung, partial order planning.
  • Methoden des Schließens / Inferenz: Resolution, Unifikation, Schließen bei unvollständigem und unsicherem Wissen, nichtmonotones Schließen. Maschinelles Lernen: Entscheidungsbäume, Funktionslernen, Perzeptron, Neuronale Netze, Support Vector Maschinen.
  • Seminar: Über aktuelle Themen auf dem Gebiet der Künstlichen Intelligenz
  • Voraussetzungen sind in der Regel:
    • Programmierkenntnisse
    • Gute Grundlagen in Mathematik (lineare Algebra, Analysis, Wahrscheinlichkeitsrechnung

 

Robotics (Brock)

Grundlagen und anwendungsspezifische Aspekte der Robotik, wie zum Beispiel Kinematik, Dynamik, Regelung, Bahnplanung, Kollisionsvermeidung, Bildverarbeitung, maschinelles Lernen, Probabilistic Robotics, Simultaneous Localization and Mapping (SLAM)

 

Psychologie-Kommentar: Während viele menschliche Denkleistungen (wie z.B. Formeln umstellen) von Computern seit langem schnell und effizient erledigt werden können, sind menschliche Leistungen in der Wahrnehmung und der Bewegungssteuerung eine viel größere Herausforderung. Durch die Beschäftigung mit der Synthese von solchen Leistungen, wird es für Kognitionspsychologinnen/en leichter, die entsprechenden Leistungen beim Menschen zu analysieren. In der Robotik wird embodied cognition mindestens ebenso stark bearbeitet wie in der Psychologie. Intelligente Roboter sind vor allem solche, die die physischen Eigenschaften der Umwelt nutzen.

 

Advanced Robotics (Brock)

Vertiefte Methoden der Robotik, wie zum Beispiel Dynamik, Regelung im operationellen Raum, Kraftregelung, Bahnplanung, Kollisionsvermeidung, Bildverarbeitung, maschinelles Lernen, Manipulation, diskrete Geometrie

 

Robotics: Aktuelle Themen (Brock)

Seminar mit wechselnden Inhalten zu aktuellen Themen aus der Robotik und den angrenzenden Bereichen, z. B. Kinematik, Dynamik, Regelung, Bahnplanung, Kollisionsvermeidung, Bildverarbeitung, maschinelles Lernen, Probabilistic Robotics, Simulataneous Localization and Mapping (SLAM).

 

Robotics Projekt (Brock)

Lehrveranstaltungen mit wechselnden Inhalten zu aktuellen Themen aus der Robotik und den angrenzenden Bereichen. Verschiedene Projekte werden eingebettet in die Forschungsaktivitäten des Robotics and Biology Laboratory durchgeführt. Eine enge Betreuung durch Robotiker ist gewährleistet. Die erfolgreiche Durchführung erfordert jedoch gute Programmierkenntnisse.

 

Computer Vision (Hellwich)

Digital Image Processing: Image representation in frequency domain, Fourier transform, sampling theorem, Filtering, Wiener Filter, image enhancement, edge detection, Hough transform, segmentation, interest operators, mathematical morphology, vectorisation, texture, skeletonization, medical axis and distance transform, contour / line tracing and -smoothing, Gestalt psychology, grouping

Automatic Image Analysis: Visual cognition, grouping, shape descriptors, computer vision paradigm, knowledge-based image analysis, models of the real world, formal representation of the models, modelling of uncertainty (soft-computing), invariant pattern recognition, Bayesian decision theorem, Markoff random field models, Bayesian networks, object categorisation, automatic interpretation of maps, application to close range- and air photographs

 

Psychologie-Kommentar: In der Wahrnehmungspsychologie (und anderen Bereichen der kognitiven Psychologie) wird oft die Untergliederung von David Marr verwendet, nach der man auf drei Ebenen die Frage stellen kann, wie ein technisches oder biologisches System eine Intelligenzleistung vollbringt. Einerseits kann man auf der funktionalen Ebene nach der Anpassungsleistung fragen, zu der eine Berechnung führt (d.h. z.B. Anpassung an eine ökologische Nische). Auf der algorithmischen Ebene kann man nach dem Format von eingehenden und ausgehenden Daten und der geleisteten Transformation fragen. Auf der Ebene der Implementation kann man danach fragen, wie die Berechnung in einem biologischen oder technischen System letztlich realisiert wird. Die Veranstaltung bietet eine Vertiefung auf allen drei Ebenen, die für Psychologinnen/en zu einem vertieften Verständnis von Wahrnehmungsleistungen führen kann.

 

 

Kognitive Modellierung in dynamischen Mensch-Maschine-Systemen

Einführung in die Kognitive Modellierung (Russwinkel, nur SoSe)

Die Methode der kognitiven Modellierung gewinnt zunehmend an Bedeutung für die Entwicklung und Evaluation von technischen Systemen.  Ziel der Veranstaltung ist es die Vielfalt der Methode kennenzulernen als auch Engineering-Tools auszuprobieren die auf kognitiven Architekturen basieren, den Modellierungsprozess aber vereinfachen. Um die Methode der kognitiven Modellierung in der Tiefe zu erlernen eignet sich die Veranstaltung „Modellierung und Simulation in Mensch-Maschine-Systemen“ im WS. Die Veranstaltung "Einführung in die kognitive Modellierung" bietet eine Vorbereitung hierauf.

Im Rahmen der LV werden die Teilnehmer an aktuelle Modellierungsansätze herangeführt und die Vor- und Nachteile dargestellt. Im theoretischen Teil (2 SWS) werden sowohl Highlevel (z.B.GOMS) als auch Lowlevel Architekturen (z.B. ACT-R) und entsprechend Modellierungstools (Cogtool, DistrACT-R usw.) vorgestellt. Im Übungsteil (2 SWS) werden die Ansätze an konkreten Beispielen und Interfaces angewendet.

 

 

Modellierung und Simulation in Mensch-Maschine-Systemen (Russwinkel, nur WiSe)

Im Rahmen der LV werden die Teilnehmer ausgehend von kognitionswissenschaftlichen Grundlagen an einen aktuellen Modellierungsansatz herangeführt. Im theoretischen Teil (2 SWS) werden Methoden der Arbeitswissenschaft (GOMS), psychologische Theorien der menschlichen Informationsverarbeitung, Grundlagen der kognitiven Modellierung (Physical Symbol System Hypothesis) sowie Aufbau und Funktionsweise kognitiver Architekturen (ACT-R) behandelt. Im praktischen Teil (2 SWS) entwickeln die Teilnehmer unter Anleitung eine Nutzermodellierung zu einem ausgewählten Beispiel aus dem Gebiet der MMI. Dazu wird zu einer MMI einer Aufgabenanalyse durchgeführt, ein idealtypisches Nutzermodell entwickelt und dieses einem in der Architektur ACT-R zu entwickelndem Nutzermodell gegenübergestellt. Unter Vergleich der Modell- mit Experimentaldaten werden Vor- und Nachteile des Modellierungsansatzes sowie die damit verbundenen Möglichkeiten und Grenzen diskutiert.

 

Lehrveranstaltungen an der Humboldt-Universität

 

Robotik

Embodied Artificial Intelligence (Hafner)

This course is part of the ShanghAI Lectures previously organised by the University of Zurich: http://shanghailectures.org/. While in the classical approach “intelligence” was viewed essentially as information processing taking place in the brain, more recently the insight that the interaction with the environment is of central importance is gaining increasing acceptance. This has led to the metaphor of embodiment, i.e., that intelligence is always a property of an entire organism. This idea has far-reaching implications and often leads to surprising insights. This lecture series provides a systematic introduction to the concept of embodiment (“Embodied Intelligence”). The implications of an embodied view on intelligence are not only of a scientific nature but lead to a completely different way of how we view ourselves and the world around us. Examples and illustrations will be taken from humans, animals, and engineering (robotics in particular) and are intended to demonstrate that things can always be seen differently from what we would normally expect. Using the method of “understanding by building”, the lectures provide a set of design principles that on the one hand enable a better understanding of biological systems, and on the other provide heuristics for how to design artificial ones, in particular robots. The argument is based largely on the notions of time scales, complex dynamical systems, self-organization, and emergence. The theoretical ideas will be illustrated with many examples and case studies from academia and the private sector, and there will be hands-on exercises with computer simulations and real robots. The course will be taught in English.

 

Comment from a Psychology-Perspective: This course can help psychologists to broaden their view on embodied cognition. Many examples discussed in psychology are easier to grasp once they are cast in the context of engineering solutions for real-world problems.

 

Interaktion humanoider Roboter (Hafner)

In diesem Seminar werden anhand von verschiedenen Teilprojekten Probleme der KI und der Robotik untersucht. Der Fokus hierbei ist die Interaktion humanoider Roboter, sowohl untereinander, mit ihrer Umwelt und mit Menschen. Die Themen sind eng mit den Forschungsarbeiten des LS Kognitive Robotik verbunden und können zu Abschlussarbeiten führen. Wichtig ist auch die Zusammenarbeit im Team.

 

Psychologie-Kommentar: Die Interaktion mit Robotern kann u.a. aus Perspektive der Kognitions- und Entwicklungspsychologie (Theory of Mind) interessant sein. Zudem bietet die Robotik Anwendungsmöglichkeiten und Möglichkeiten der methodisch kontrollierteren experimentellen Manipulation bei Fragestellungen der Emotions- und Sozialpsychologie. Die Technik ist da – wir müssen sie nur noch nutzen.

 

Kognitive Robotik (Hafner)

Autonome intelligente Roboter gehören zu den spannendsten Forschungsgebieten der Gegenwart: Sind dafür Vorbilder aus der Natur zu kopieren oder gibt es andere Möglichkeiten zur Modellierung und Implementierung künstlicher Systeme die in der realen Welt agieren sollen? Die Themen beziehen aktuelle Forschungsthemen ein; schlagen jedoch auch Brücken in andere Arbeitsgebiete und Disziplinen und umfassen u.a.: Softwarearchitekturen für kognitive Agenten, Umgebungswahrnehmung, Aktorik und Sensorverarbeitung.

 

Psychologie-Kommentar: In Robotern werden Theorien lauffähig bzw. flugfähig gemacht, wie ein technisches System selbständig (Selbst-)Steuerung, Fortbewegung und Anpassung an die Umwelt leisten kann. Stärken und Lücken des bisherigen Wissens über Leistungen der Wahrnehmung und der Fortbewegung werden im Verhalten der Roboter unmittelbar sichtbar.

 

Schwarmverhalten (Hafner)

Schwarmverhalten ist ein Beispiel dafür, wie aus einfachen Regeln komplexes Verhalten entstehen kann. In diesem Seminar werden verschiedene Aspekte des Phänomens Schwarmverhalten besprochen und analysiert. Wir betrachten hierbei die Strategien von biologischen Vorbildern und deren Modellierung, Schwarmverhalten als emergentes Verhalten, und die sensomotorische Interaktion und Kommunikation zwischen Schwarmmitgliedern. Die Algorithmen können in einer Simulationsumgebung oder später auf autonomen fliegenden Robotern getestet werden.

 

Psychologie-Kommentar: Emergente Eigenschaften sind spätestens seit der klassischen Gestaltpsychologie als Erklärungsansatz präsent, aber immer auch kontrovers diskutiert worden. Während die Konzepte für einige Theoretiker/innen relevant und attraktiv sind, erscheinen sie für andere als zu wenig greifbar. Derartige Einwände werden handhabbar aus Perspektive einer Lehrveranstaltung, in der emergentes Verhalten in simulierten und echten Maschinen erzeugt werden kann.

 

Maschinelles Lernen

Maschinelles Lernen I (Kloft)

Es werden die folgenden Themen behandelt: Grundlegende Programmierkenntnisse, Mathematische Grundlagen der Wahrscheinlichkeitstheorie & Lineare Algebra, Overfitting, Bias-Variance-Dilemma & Modellselektion, Bayes-Klassifikation, K-Nächste-Nachbarn-Klassifikation, Kernmethoden, Support-Vektor-Maschinen, Dimensionsreduktion, Regression, Clustering, Elementare Statistische Lerntheorie.

 

 

Mensch-Computer-Interaktion und Lernunterstützung

Mensch-Computer-Interaktion (Pinkwart)

Die große Mehrzahl der heutigen Informatiksysteme sind interaktiv in dem Sinne, dass sie durch menschliche Benutzer gesteuert werden können. Ein Verständnis der Prinzipien von Mensch-Computer-Interaktion ist notwendige Voraussetzung für die sinnvolle Gestaltung dieser Systeme. In dieser Veranstaltung werden, ausgehend von den Grundlagen der menschlichen Informationsverarbeitung, Paradigmen und grundlegende Modelle sowie Evaluationsmethoden der Mensch-Computer-Interaktion vorgestellt und ausgewählte Fallbeispiele kritisch diskutiert.

Psychologie-Kommentar: Das Informatik-Pendant zu Ingenieurspsychologie.

 

Educational Data Mining (Pinkwart , Groß)

Das Seminar behandelt aktuelle (Forschungs-)Themen im Bereich Educational Data Mining. Ausgehend von den Grundlagen des Data Minings werden Anwendungen im Bereich von (intelligenten) Lernsystemen untersucht. Es werden u.a. Fragestellungen behandelt, die den Einsatz und den Nutzen von maschinellem Lernen in Systemen untersuchen, die das menschliche Lernen unterstützen sollen.

 

Psychologie-Kommentar: Intelligente Lernsysteme versuchen in vielen Fällen eine Repräsentation vom Wissen / Nicht-Wissen des Menschen zu erstellen und aktuell zu halten, der etwas lernen soll. Dadurch wird es möglich, passend zu den Wissenslücken des Menschen Unterstützung anzubieten.

 

Multimedia in der Schule (Lee, Pinkwart)

Computer finden nicht nur im Informatik-Unterricht Verwendung, sondern spielen heute in vielen Bildungskontexten eine Rolle als lernunterstützende Systeme oder Medien. In diesem Seminar werden verschiedene Formen computergestützten Lehrens und Lernens innerhalb und außerhalb der Schule vorgestellt. Dabei werden sowohl didaktische als auch technische Aspekte berücksichtigt und es werden die Möglichkeiten und Grenzen des Einsatzes von computerbasierten Technologien in Lehre und Ausbildung diskutiert.

 

Psychologie-Kommentar: Motivationale und Kognitive Anforderungen, die Schüler/innen an intelligente technische Systeme stellen, sind sicherlich ein harter Praxistest und ein lohnendes Anwendungsscenario.

 

Soziale Medien und Kooperationssysteme (Pinkwart)

In dieser Veranstaltung werden zunächst die technischen und konzeptionellen Grundlagen von sozialen Medien und Kooperationssystemen vermittelt. Nachfo()lgend werden zentrale Entwicklungsbibliotheken und Algorithmen für diese Systeme vorgestellt. In der Veranstaltung werden Methoden zum Entwurf und zur Evaluation von gruppenorientierten Softwaresystemen behandelt und exemplarisch einige Beispielsysteme kritisch diskutiert.

 

 

Lehrveranstaltungen an der Freien Universität Berlin

 

Mustererkennung (Rojas)

Bayessche Verfahren der Mustererkennung, Clustering, Expectation Maximization, Neuronale Netze und Lernalgorithmen, Assoziative Netze, Rekurrente Netze. Computer-Vision mit neuronalen Netzen, Anwendungen in der Robotik.

 

Psychologie-Kommentar: Eine Lehrveranstaltung zu Maschinen-Lernen und Statistik, die zudem einen Bezug zu Wahrnehmung und Robotik herstellt.

 

Robotics (Hild)

Der humanoide Roboter Myon wird 2015 in einer Bühnenproduktion der Komischen Oper mitwirken. Dafür wird er sehen, hören, sprechen, lernen und sich zielgerichtet bewegen müssen. Um diese Fähigkeiten implementieren zu können, stellt die Vorlesung aktuelle Algorithmen aus den folgenden fünf Themenblöcken vor: 1. Active Vision, 2. Sensomotorische Regelschleifen, 3. Audiosignalverarbeitung, 4. Verhaltensregelung und 5. Lernverfahren. Die vorlesungsbegleitenden Übungen werden zum Teil mit realen Robotern und Versuchsaufbauten durchgeführt. Es werden außer mathematischen Grundkenntnissen der Analysis und linearen Algebra keine speziellen Vorkenntnisse erwartet.

 

Psychologie-Kommentar: Komplementär zur Analyse menschlichen Verhaltens, das die Psychologie normalerweise leistet, wird hier (mit einem klaren, künstlerisch bestimmten Ziel) Synthese betrieben. Durch den Synthese-Versuch kann ein vertieftes Verständnis für die Schwierigkeiten und Chancen der Analyse menschlicher Wahrnehmungs- und Motorikleistungen erreicht werden.